سال انتشار: ۱۳۸۵

محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۱۲

نویسنده(ها):

بهرنگ مسعودیفر – دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، ت
محمدرضا میبدی – دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، ت
مجتبی هاشمی – دانشکده مهندسی کامپیوتر، دانشگاه شیراز، شیراز، ایران

چکیده:

اتوماتای یادگیر سلولی (CLA) مدلی برای سیستمهایی است که از اجزاء سادهای به نام سلول تشکیل شدهاند و رفتار هر جزء بر اساس رفتار همسایگانش و نیز تجربیات گذشتهاش تعیین و اصلاح میشود. مدلCLA-EC که اخیرا پیشنهاد شده است یک الگوریتم تکاملی است که از ترکیب CLA و مفاهیم در محاسبات تکاملی(EC) بدست آمده است. نشان داده شده است که CLA-EC همگام در حل مسایل بهینهسازی در مقایسه با CLA و یا الگوریتمهای ژنتیکی از کاراییبالاتری برخوردار میباشد. سرعت همگرایی و یا دقت این مدل در حل مسایل بهینه سازی بستگی زیادی به انتخاب مناسب پارامترهای این مدل دارد. انتخاب مقادیرنامناسب برای این پارامترها ممکن است منجر به سرعت همگرایی پایین و یا به دام افتادن در بهینه های محلی گردد. برای حل این مشکل در این مقالهCLA-EC همکارانه پیشنهاد میشود. درCLA-EC همکارانه، چندین CLA-EC که هرکدام دارای مقادیر متفاوت برای پارامترهای خود میباشند درحل مساله همکاریمیکنند. از این طریق میتوان نه تنها سرعت همگرایی به راه حل بهینه را افزایش داد بلکه از به دام افتادن در بهینه های محلی جلوگیری نمود. برای نشان دادن برتری مدل CLA-EC همکارانه بر مدل CLA-EC ، مسایل بهینهسازی توابع استاندارد دوجونگ ،P-Peaks کوله پشتی۱/۰با استفاده از هر دو مدل حل گردیده است.